489 Estaind010 Regmult

REGRESSO LINEAR MLTIPLA
PPGEP
CAPTULO 10 Muitos problemas de regresso envolvem mais de uma varivel

regressora. Por exemplo, a qualidade de um processo qumico
pode depender da temperatura, presso e taxa de agitao. Nesse
REGRESSO LINEAR caso h trs variveis regressoras.
Regresso Linear Mltipla

MLTIPLA O Modelo da Regresso Linear Mltipla
PPGEP O modelo geral da regresso linear mltipla :
UFRGS
Y = 0 + 1 X 1 + 2 X 2 + ... + k X k + (1)
O problema ento estimar o valor dos coeficientes i a partir

de um conjunto de dados do tipo:
PPGEP/UFRGS 2
Y X1 X2 ... Xk nesse caso fcil mostrar que:

PPGEP PPGEP
y1 x11 x12 ... x1k
y2 x21 x22 ... x2k 0, = 0 + 1 x1 + ... + k xk
. . . . .
. . . . . enquanto que os demais coeficientes 1,...,k ficam inalterados. O
. . . . . que est sendo feito simplesmente eliminar o valor mdio das
yn xn1 xn2 ... xnk variveis regressoras.
Alm de simplificar a estimativa dos coeficientes, o uso do modelo

Novamente, o mtodo dos mnimos quadrados usado para (3) tambm facilita outras tarefas associadas a inferncias.
minimizar:
[ (
L = y j b0 + b1 x1 j + ... + bk xkj )]2 (2)
Usando (3) , a funo a ser minimizada :
[ ( ))]2
Observa-se que a aplicao do mtodo dos mnimos quadrados fica
simplificada se o modelo (1) reescrito como: ( ) (
L = yi b0, + b1 x1 j x1 + ... + bk xkj xk (4)
Y = 0, + 1 ( X 1 x1 ) + ... + k ( X k xk ) + (3)
PPGEP/UFRGS 3 PPGEP/UFRGS 4
Notao Matricial Estimativa dos Coeficientes
PPGEP PPGEP
Para lidar com o problema de regresso linear mltipla, mais
conveniente usar notao matricial, pois assim tem-se uma
apresentao muito compacta dos dados, do modelo e dos
resultados. Em notao matricial o modelo (3) aparece Pode ser demonstrado que a aplicao do mtodo dos mnimos
representado como: Y = X + quadrados conduz seguinte soluo:

Y1 1 ( x11 x1 ) ... ( xk 1 xk ) 0, 1
. . . b = ( X ' X )1 X ' Y (6)
. . .

Y = . ; X = . . . ; = . ; = .
onde b o vetor p x 1 com as estimativas dos coeficientes . A
.
. . . . .
soluo (6) ir existir sempre que as variveis regressoras forem
Yn 1 ( x1n x1 ) ... ( xkn xk ) n
k linearmente independentes.
Genericamente, tem-se que Y o vetor n x 1 das observaes, X (Nota: as variveis regressoras no sero independentes quando
a matriz n x p com os nveis das variveis regressoras, o uma coluna da matriz X for uma combinao linear de outras
vetor p x 1 com os coeficientes da regresso e o vetor n x 1 colunas).
com os erros aleatrios (sendo p = k + 1).
X1: No de caixas X2: Distncia Y: Tempo

PPGEP Exemplos PPGEP 10 30 24
15 25 27
10 40 29
20 18 31
25 22 25
Exemplo 10.1: (ver Montgomery (1984)) Um distribuidor de
18 31 33
cerveja est analisando seu sistema de distribuio. 12 26 26
Especificamente ele est interessado em prever o tempo 14 34 28
requerido para atender um ponto de venda. O engenheiro 16 29 31

industrial acredita que os dois fatores mais importantes so o 22 37 39
nmero de caixas de cerveja fornecidas e a distncia do depsito 24 20 33
ao posto de venda. Os dados coletados aparecem a seguir: 17 25 30
13 27 25
30 23 42
24 33 40
Escolhemos ajustar o seguinte modelo a esses dados:

Y = 0, + 1 (X 1 x ) + 2 (X 2 x ) +
Desde que x1 = 18 e x2 = 28 , esse modelo em notao matricial : E usando as regras para produto e inverso de matriz, obtemos
PPGEP PPGEP
24 1 - 8 2 1
15 0 0 463
27 1 - 3 - 3
2 X' X = 0 504 - 213 ;
X' Y = 345
29 1 - 8 12 3 0 - 213 548 63

31 1 2 - 10 4 e
25 1 7 - 6 5
0,06667 0 0
33 1 0 3 6

26 1 - 6 - 2 0, (X ' X )1 = 0 0,002374 0,0009228

7 0 0,0009228 0,002183
28 = 1 - 4 6 1 + 8
31 1 - 2 1
2 9 De forma que o vetor das estimativas dos coeficientes resulta:
39 1 4 9 10
33 1 6 - 8
11
30 1 - 1 - 3 12 b, 30,87
0
25 1 - 5 - 1
13 b = b1 = (X' X )1 X' Y = 0,8772

42 1 12 - 5 b 2 0,4559
14
40 1 6 5 15
PPGEP E o modelo de regresso : PPGEP Yj Y$j rj = Yj Y$j

24 24,76 -0,76
27 26,87 0,13
Y$ = 30,87 + 0,8772( X1 18) + 0,4559( X 2 28) 29 29,32 -0,32
31 28,06 2,94
ou 25 34,27 -9,27
Y$ = 2 ,315 + 0,8772 X1 + 0,4559 X 2 33 32,23 0,77
26 24,69 1,31
28 30,09 -2,09
A tabela a seguir apresenta os valores observados, os valores 31 29,57 1,43
previstos pelo modelo e os respectivos resduos: 39 38,48 0,52
38 32,48 0,52
30 28,62 1,38
rj = Yj Y$j 25 26,02 -1,02
42 39,11 2,89
40 38,41 1,59
Resduos x X1 Resduos x X2
PPGEP PPGEP 10 10
6 6
2 2
Para testar se o ajuste adequado, os resduos poderiam ser Re
-2
Re
-2
plotados em funo de Y , em funo de X1 ou em funo de X2 . -6 -6
<=
<=
( ) ( )
-10 -10
10 14 18 22 26 30 18 22 26 30 34 38 42
X1 X2
Os resduos tambm poderiam ser plotados em papel de Resduos x Y$ Papel de Probabilidade

probabilidade, para testar a suposio de normalidade. 10 99.9

6 99
95
2 80
Re
Qualquer um desses grficos iria evidenciar que a observao da -2
50
20
<=
linha 5 , sem dvida, um dado atpico: -6 5
1
( )
<=
( )
-10 0.1
24 27 30 33 36 39 42 -10 -7 -4 -1 2 5
Valor predito de Y Resduos
Se houver registro de alguma causa especial que tenha afetado esta

entrega em particular, essa observao poderia ser eliminada do
conjunto e a anlise poderia ser refeita, possivelmente fornecendo
um modelo mais preciso.
Exemplo 10.2: (ver Montgomery (1984)) Este exemplo ilustra o uso Escolhemos ajustar o seguinte modelo ( X i = 0 )
PPGEP
da Anlise de Regresso em conjunto com Projeto de PPGEP
Experimentos. Y = 0 + 1X1 + 2X2 + 3X3 +

O ganho em um processo qumico est sendo estudado. O
engenheiro escolheu 3 fatores (Temperatura, Presso e As matrizes XX e XY resultam:
Concentrao) e rodou um experimento fixando cada um desses
fatores a dois nveis. 8 0 0 0 409
0 8 0 0 45
Os dados aparecem a seguir. Vejam que os nveis dos fatores foram X' X = = 8 I4 ; X' Y =
0 0 8 0 85
codificados como -1 (nvel baixo) e +1 (nvel alto).
0 0 0 8 9
Ganho % X1(Temp.) X2(Presso) X3(Concent.)
32 -1 -1 -1 E como XX diagonal, a sua inversa (XX)-1=(1/8)I4 . Assim as
36 -1 -1 1 estimativas dos coeficientes resultam:
57 -1 1 -1
46 1 -1 -1 b0 51,125
b
65 1 1 -1 5,625
b= =
1
57 -1 1 1 b2 10,625
48 1 -1 1
68 1 1 1 b3 1,125
PPGEP
E o modelo de regresso : PPGEP
Matriz de Varincias e Covarincias
Y$ = 51,125 + 5,625X1 + 10,625X 2 + 1,125X 3
A matriz (XX)-1 chamada de matriz de varincias e
Nesse exemplo a matriz inversa fcil de obter porque X X
covarincias. uma matriz simtrica de ordem p x p e seus
diagonal. H vrias vantagens quando X X diagonal. Os
elementos so usados na determinao das varincias Sij2.
clculos so mais fceis e a estima dos coeficientes est livre de
Usando a notao:

qualquer correlao [ Cov (bi,bj) = 0 ].
Se ns podemos escolher os nveis de Xi vantajoso fazer essa

escolha de modo a obter XX diagonal. Projetos de C00 C01 ... C0k
C C ... C1k
Experimentos que apresentam essa propriedade so chamados 10 11
de projetos ortogonais. Um exemplo de projetos desse tipo a . . .
(X' X)-1 =
classe dos projetos 2k. Esses projetos tm sido usados com . . .

freqncia crescente no meio industrial. . . .
Ck0 Ck1 ... Ckk
possvel demonstrar que:

PPGEP PPGEP
A matriz de correlaes tambm simtrica, de ordem p x p :

Var(bi) = Cii S2 i = 0,...,k
Covar(bi,bj) = Cij S2 i,j = 0,...,k 1 r01 ... r0k
r 1 ... r1k
10
. . .
onde S2 a varincia residual, associada com os desvios em relao K=

. . .
ao hiperplano do modelo de regresso:
. . .
(
S 2 = Y j Y j )2 (n k 1) ; j = 1,n
rk 0 rk 1 ... 1

A partir da matriz de varincias e covarincias tambm possvel

encontrar a matriz de correlao, uma vez que tem-se: A matriz de correlaes R til para detectar problemas de
multicolinearidade. Se um coeficiente rij qualquer fora da
rij = Cij Cii C jj ; i,j = 0,...,k
diagonal tiver mdulo 1,0 teremos uma dependncia entre as
variveis independentes i e j.
onde, naturalmente, para i = j tem-se rii = 1 .
PPGEP PPGEP
Nesse caso, a estimativa dos coeficientes associados s variveis i e j

estar comprometida. Exerccio 10.1
(No possvel distinguir se o efeito sobre a varivel de resposta se

deve varivel regressora i ou j, uma vez que elas esto variando

sempre no mesmo sentido).
O ideal que a matriz de correlaes seja diagonal, com zeros ou

valores prximos de zeros nas posies fora da diagonal. Isso
assegura estimativas no-confundidas dos diversos coeficientes i.
PPGEP PPGEP
Testes de Hiptese
10.1) A resistncia de uma cera depende da quantidade de Etil- Para construir os testes de hiptese relativos a regresso
Vinil-Acetato (EVA) e da quantidade de Parafina adicionados mltipla, vamos supor que os resduos j sigam o modelo
cera. Ajuste um modelo do tipo Y = 0 + 1 X1 + 2 X2 aos dados normal com mdia 0 e varincia S2 .
que aparecem a seguir: H dois tipos de teste que podem ser feitos: testes individuais
sobre a significncia de cada parmetro bj e um teste global
para o modelo.
X1: EVA 4 4 6 6 8 8 4 4 6 6 8 8
X2: Paraf. 8 8 8 8 8 8 12 12 12 12 12 12
Y: Resist. 28,5 26, 33, 32, 35, 36, 36, 34, 37, 39, 42, 44,
Significncia de cada parmetro
4 0 1 3 7 6 2 9 9 6 2 Se os resduos seguem o modelo normal, os parmetros bj
tambm iro seguir esse modelo, ou seja:
( 2
b j N j ,bj )
PPGEP PPGEP
Significncia do Modelo de Regresso
Para testar a significncia do modelo de regresso mltipla,
De modo que para testar as hipteses usaremos o teste F.
H0: j = 0 Os desvios (Yj Y ) podem ser escritos na forma:
H1: j 0
Usamos a distribuio de Student, calculando (Yj Y ) = (Yj Y$j ) + (Y$j Y )

tj = bj / Sbj
Como sempre, a hiptese nula ser rejeitada se elevando ao quadrado e somando, obtemos:
t j > t / 2 , n k 1
(Yj Y ) ( ) ( )
2 2 2
= Yj Y$j + Yj Y
uma vez que pode ser demonstrado que o produto cruzado nulo.
para testar a significncia do modelo. A hiptese inexistncia de

PPGEP PPGEP
relao entre X e Y deve ser rejeitada se resultar
Dessa forma temos:
F > F/2, k, n-k-1
SYY = SQR + SQReg
Para o clculo das somas quadradas as seguintes frmulas prticas
onde os correspondentes GDL valem: podem ser usadas:
2
(n-1) = (n-k-1) + (k) n n
SYY = y 2j y j n
de forma que as mdias quadradas resultam: j =1 j =1

k
MQR = SQR / (n-k-1) SQR = SYY bi Siy
i =1
k
MQReg = SQReg / k SQReg = bi Siy
i =1
e usamos
onde os valores Siy aparecem no vetor XY , ou seja,
F = MQR / MQReg Yj
S1y
.
X' Y =
.

.

Sky
Coeficientes de Determinao para o
PPGEP
Modelo de Regresso Mltipla PPGEP
Exemplo 10.3: Para o problema da distribuio das caixas de cerveja,
pede-se:
-Apresente a matriz de varincias e covarincias e a matriz de
A frmula para o clculo do coeficiente de determinao r2 a correlao;
mesma apresentada ao final do captulo 9, ou seja: -Calcule a varincia residual S2 e a varincia de b1, Sb12;
-Teste de significncia de b1;

2
SQReg
r = -Teste a significncia do modelo;
SYY
-Calcule o coeficiente de determinao;
O coeficiente r2
indica a percentagem da variabilidade total que
explicada pelo modelo de regresso. Soluo:
A matriz de varincias e covarincias a matriz (XX)-1 , enquanto
Se r2 =1, todas as observaes estaro sobre o hiperplano que a matriz de correlaes obtida dividindo os termos da matriz
definido pelo modelo. Se r2 =0 , no h nenhuma relao entre a XX pelos correspondentes termos da diagonal. Assim,
varivel de resposta e as variveis regressoras.
0 ,06667 0 0 O teste de significncia para o modelo feito usando a tabela ANOVA.

PPGEP
( X ' X ) 1 = 0 0,002374 0,0009228
PPGEP
SYY = yj2 - (yj)2 / n = 449,73
0 0,0009228 0,002183
SQReg = b1S1y + b2S2y = 331,36
1 0 0 SQR = SYY - SQReg = 118,37

r = 0 1 0,405
0 0,405 1 Fonte SQ GDL MQ F
Modelo 331,36 2 165,58 16,80
Para calcular S2 e Sb12 , usamos: Residual 118,37 12 9,86

Total 449,73 14
( Yi Y$ ) ( n k 1)
2
S2 = = 118 ,37 12 = 9 ,86
Sb21 = S C11 = 9 ,86 ( 0 ,002374) = 0 ,0234 ; Sb1 = 0 ,153
2
F = 16,80 > F0,05;2;12 = 3,89; rejeita-se a hiptese nula
o teste de significncia para b1 :
E nesse exemplo o coeficiente de determinao vale SQReg/SYY = 0,737;
t1 = b1 / Sb1 = 0,8772 / 0,153 = 5,73 ou seja 73,7% da variabilidade total no tempo de entrega explicada
t1 = 5,73 > t0,025;12 = 2,179 rejeita-se a hiptese nula pela relao que essa varivel mantm com o nmero de caixas e a
distncia do posto de vendas.
PPGEP PPGEP
Ainda em relao aos dados do exerccio 10.1, pede-se:

Apresente a matriz de varincias e covarincias e a matriz de
Exerccio 10.3 correlaes. Analise a matriz de correlaes e indique se h
indcios de mal condicionamento;

Calcule a varincia residual S2 e a varincia de b1 e b2 ;

Teste de significncia de b1 e b2 ;
Teste de significncia do modelo;
Calcule o coeficiente de determinao e indique o seu significado
tcnico;
Anlise das Suposies do Modelo de

Previso de Valores de Y
PPGEP PPGEP
Regresso
Assim como no caso da regresso simples, a relao encontrada pode ser
usada para a previso de um valor mdio ou individual de Y. Seja: Nas sees anteriores foi feita a suposio N(0,2) , ou seja, supe-
X 10 se normalidade na distribuio dos resduos e homogeneidade da
X varincia residual.
20
.
X0 =
. Y$0 = b0 + b1 X 10 + ... + bk X k 0
.
A suposio de normalidade dos resduos pode ser testada por testes

X k0
grficos (papel de probabilidade) ou analticos (teste do Chi-quadrado,
Pode ser demonstrado que os intervalos de confiana de 100(1-)% Kolmogorov-Smirnov, etc.).
para um valor mdio e individual de Y so, respectivamente:
Valor mdio: Y0 t / 2 ,n k 1 S 2 (X 0, ( X ' X )1 ) Para o teste de normalidade, usam-se os resduos padronizados:

1
2
Valor indiv.: Y0 t / 2 ,n k 1 S 2 (1 + X 0, ( X ' X )1 X 0 )

1
2 [ ]
R j = Y j Y j S 2
O fator que multiplica t/2 corresponde ao erro de previso. A diviso onde Y j = b0 + b1 X 1 j + ... + bk X kj
desse fator por Y$0 produz o coeficiente de variao da previso.
PPGEP PPGEP
Regresso Polinomial
Para examinar se o erro padro da estimativa constante, analisam-se
os grficos O modelo aditivo Y = X + um modelo geral e pode ser usado
para ajustar qualquer relao que seja linear com referncia aos
R j Y j e R j X i parmetros desconhecidos .
Se a suposio de normalidade ou de homogeneidade no forem Veja que a exigncia de linearidade refere-se a e no a X. Assim,

satisfeitas, muitas vezes possvel contornar o problema aplicando o modelo pode ser usado para ajustar um polinmio de ordem k em
certas transformaes matemticas aos dados. uma varivel:
Y = 0 + 1x + 2x2 + ... + kxk +

Os resduos tambm podem ser analisados, para verificar a existncia
de dados atpicos. ou ento para ajustar um polinmio de segundo grau em duas
variveis:
Y = 0 + 1 x1 + 2 x2 + 3 x12 + 4 x22 + 5 x1 x2 +
Regresso polinomial As matrizes XX e XY resultam:

PPGEP PPGEP
6 ,0 0,0 0,7 58 ,95
X ' X = 0 ,0 0,7 0,0 ; X' Y = 4 ,965
Exemplo 10.4: (ver Montgomery (1984)) Pede-se para ajustar o 0 ,7 0,0 0,1414 6 ,938
modelo Y = 0 + 1 x + 2 x2 + aos dados que aparecem a seguir:
De modo que as estimativas de so:
x 1,0 1,2 1,4 1,6 1,8 2
0 ,3945 - 1,9527 58 ,95 9 ,70
y 6,15 7,90 9,40 10,50 11,00 14,00

b = (X' X )
1
X' Y = 1,4286 4 ,965 = 7 ,08

1,9527 16,737 6 ,938 1,00
Em notao matricial, usando X X , tem-se:
Assim, o modelo de regresso fica:
6 ,15 1 - 0,5 0,25
7 ,90 1 - 0,3 0,09
Y$ = 9 ,70 + 7 ,08 ( X X ) + 100
, ( X X)
2
0
9 ,40 1 - 0,1 0,01
Y = X= = 1 ou

10 ,50 1 0,1 0,01
2
11,00 1 0,3 0,09 Y$ = 1,33 + 4,08 X + 100
, X2

14 ,00 1 0,5 0,25
Comentrios em relao aos modelos
Esse mtodo geral pode ser usado para ajustar dados que tenham
PPGEP
um formato qualquer. No entanto, se os nveis das variveis PPGEP polinomiais:
regressoras forem eqidistantes, ento o uso de polinmios (1) Os polinmios so muito teis para fornecer uma aproximao
ortogonais simplifica bastante o esforo de clculo. para relaes no lineares complexas e desconhecidas. Esse tipo de
O uso de polinmios ortogonais aparece descrito em Montgomery aplicao aparece com freqncia na prtica.
& Peck (1991) e Nanni & Ribeiro (1991).
(2) importante manter a ordem do polinmio to baixa quanto
possvel. Polinmios de ordem mais alta (k > 2) devem ser evitados,

a menos que haja justificativas tcnicas para o seu uso.

(3) Um modelo de ordem mais baixa usando variveis
transformadas sempre prefervel a modelos de ordem mais alta
na mtrica original.
(4) Vale lembrar que sempre pode ser obtido um polinmio de
ordem n-1 que ajusta-se perfeitamente aos dados. Tal modelo no
ajudaria em nada para a compreenso do fenmeno em estudo e
nem tampouco seria um bom estimador.
Comentrios em relao aos modelos

PPGEP polinomiais: PPGEP
(5) Extrapolaes com polinmios devem ser feitas com muito

cuidado. Alm do intervalo investigado, os polinmios podem Exerccio 10.5
apresentar um comportamento estranho, girando na direo oposta
do esperado.
(6) Na medida que cresce a ordem do polinmio, a matriz XX

torna-se mal condicionada e a preciso das estimativas diminui.
Esse problema aliviado quando se centra as variveis regressoras,
isto , quando se usa ( X ij X i ) .
(7) A matriz XX tambm tende a tornar-se mal condicionada
quando os valores de X esto limitados a um intervalo muito
estreito. De forma geral, ampliando o intervalo de investigao,
melhoram as estimativas dos coeficientes.
Exerccios:
PPGEP PPGEP
10.5) Considere os dados do exerccio 8.5 e use o modelo do tipo Y 10.2) Calcule o valor dos resduos para os dados do exerccio 10.1
= 0 + 1X + 2X2 para ajustar a produtividade mensal em funo e a seguir analise esses resduos plotando os grficos:
do intervalo entre manutenes preventivas.
10.4) Considere os dados do exerccio 8.2 e use um modelo do tipo
Intervalo Produtivi Y = 0 + 1 X + 2 X2 para ajustar a resistncia compresso em
dade

funo da adio de microsslica.

4 136 137 135 140 136
6 145 146 147 147 148 Adio Resistncia (MPa)
8 146 144 148 145 145
10 134 131 136 134 133 0% 28,1 26,5 24,3
12 117 119 117 115 116
5% 35,3 34,3 37,5
10% 39,8 44,1 42,3
15% 39,1 40,8 43,0
10.6 Os dados a seguir mostram os valores da distribuio normal

PPGEP acumulada para diferentes valores da varivel reduzida Z. Ajuste
um modelo do tipo Y = 0 + i Xi a esses dados. Aps, calcule o
valor da varincia residual (que no caso deve-se exclusivamente
falta de ajuste) e indique se o ajuste satisfatrio para a maioria das
aplicaes prticas. Por fim, use o modelo para extrapolaes, ou seja,
calcule, por exemplo, F(-4) e F(+4) e indique se o modelo pode ser
usado para extrapolaes.
Z -3 -2,5 -2,0 -1,5 -1,0 -0,5 0 0,5 1,0

F(Z) ,0013 ,0062 ,0228 ,0668 ,1587 ,3085 ,5000 ,6915 ,8413
Z 1,5 2,0 2,5 3,0

F(Z) ,9332 ,9772 ,9938 ,9987
10.7 Repita o exerccio 10.1 acrescentando um termo 3 X1 X2 ao

modelo. Teste a significncia deste termo e conclua se h razes para
mant-lo no modelo.
PPGEP/UFRGS 47

489 Estaind010 Regmult

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

489 Estaind010 Regmult

Enviado por

Direitos autorais:

Formatos disponíveis

REGRESSO LINEAR MLTIPLA

CAPTULO 10 Muitos problemas de regresso envolvem mais de uma varivel

REGRESSO LINEAR caso h trs variveis regressoras.

Regresso Linear Mltipla

O problema ento estimar o valor dos coeficientes i a partir

Y X1 X2 ... Xk nesse caso fcil mostrar que:

Alm de simplificar a estimativa dos coeficientes, o uso do modelo

Regresso Linear Mltipla

X1: No de caixas X2: Distncia Y: Tempo

requerido para atender um ponto de venda. O engenheiro 16 29 31

Escolhemos ajustar o seguinte modelo a esses dados:

Regresso Linear Mltipla

26 1 - 6 - 2 0, (X ' X )1 = 0 0,002374 0,0009228

PPGEP E o modelo de regresso : PPGEP Yj Y$j rj = Yj Y$j

Regresso Linear Mltipla

probabilidade, para testar a suposio de normalidade. 10 99.9

Se houver registro de alguma causa especial que tenha afetado esta

Experimentos. Y = 0 + 1X1 + 2X2 + 3X3 +

Regresso Linear Mltipla

qualquer correlao [ Cov (bi,bj) = 0 ].

Se ns podemos escolher os nveis de Xi vantajoso fazer essa

possvel demonstrar que:

A matriz de correlaes tambm simtrica, de ordem p x p :

A partir da matriz de varincias e covarincias tambm possvel

Nesse caso, a estimativa dos coeficientes associados s variveis i e j

(No possvel distinguir se o efeito sobre a varivel de resposta se

Regresso Linear Mltipla

sempre no mesmo sentido).

O ideal que a matriz de correlaes seja diagonal, com zeros ou

Regresso Linear Mltipla

para testar a significncia do modelo. A hiptese inexistncia de

de forma que as mdias quadradas resultam: j =1 j =1

Regresso Linear Mltipla

0 ,06667 0 0 O teste de significncia para o modelo feito usando a tabela ANOVA.

Para calcular S2 e Sb12 , usamos: Residual 118,37 12 9,86

Ainda em relao aos dados do exerccio 10.1, pede-se:

Regresso Linear Mltipla

Calcule a varincia residual S2 e a varincia de b1 e b2 ;

Anlise das Suposies do Modelo de

Valor mdio: Y0 t / 2 ,n k 1 S 2 (X 0, ( X ' X )1 ) Para o teste de normalidade, usam-se os resduos padronizados:

Valor indiv.: Y0 t / 2 ,n k 1 S 2 (1 + X 0, ( X ' X )1 X 0 )

Regresso Linear Mltipla

Y = 0 + 1x + 2x2 + ... + kxk +

Regresso polinomial As matrizes XX e XY resultam:

y 6,15 7,90 9,40 10,50 11,00 14,00

Regresso Linear Mltipla

a menos que haja justificativas tcnicas para o seu uso.

Comentrios em relao aos modelos

(5) Extrapolaes com polinmios devem ser feitas com muito

(6) Na medida que cresce a ordem do polinmio, a matriz XX

Regresso Linear Mltipla

funo da adio de microsslica.

10.6 Os dados a seguir mostram os valores da distribuio normal

Z -3 -2,5 -2,0 -1,5 -1,0 -0,5 0 0,5 1,0

Z 1,5 2,0 2,5 3,0

10.7 Repita o exerccio 10.1 acrescentando um termo 3 X1 X2 ao

Você também pode gostar